Příležitost pro každého
Matematické vzdělání, znalost programování nebo roky zkušeností? Nic z toho podle Jiřího pro začátek práce s daty potřeba není. Na jeho workshopy v České spořitelně chodí kromě kolegů z datových týmů třeba i bankéři, kteří chtějí sami zjišťovat zajímavé informace o klientech, nebo lidé z vedoucích pozic, kteří mají za cíl lépe porozumět práci svých podřízených.
Principy práce s daty se přitom dají naučit poměrně rychle. „Když u mě lidé absolvují dvoudenní školení a pak začnou nové znalosti používat v praxi, do týdne už dokážou základní úlohy bez problémů zvládnout sami. Pokud k téhle činnosti nemá člověk vyloženě averzi a chce se to naučit, není to nic složitého,“ uklidňuje.
Hlavně mít jasno
Jak Jiří zdůrazňuje, pro každý start datové analýzy je nutné hlavně znát svůj jasný cíl – bez toho firmě ani obrovské množství informací nic užitečného přinést nemusí: „Každému bych nejdřív poradil: Přemýšlej nad tím, co chceš vlastně získat a co ti to dá, a až pak se snaž do samotných dat proniknout.“ Dobře to podle něj ukázala třeba práce na službě Zdravé finance, která klientům České spořitelny pomáhá udržovat přehled o svých výdajích.
„Na začátku stála otázka, kolik peněz utrácí například za jídlo, služby nebo auta, a teprve potom přišlo na řadu hledání odpovědi v datech získaných třeba při platebních transakcích,“ přibližuje.
Začít v malém
Při samotné přípravě dat není podle Jiřího nutné zpracovávat všechno, co je k dispozici. Mnohem efektivnější je vybrat si menší oblast, svůj záběr postupně rozšiřovat a až pak dosáhnout komplexního řešení. „Když třeba chceme zjistit počet nových klientů za rok, nejdřív si ukážeme, jak vůbec klienta najít, až pak zjistíme, odkdy u nás je, a postupně i další informace skládáme dohromady,“ popisuje.
Důležité je také data co nejdříve zkontrolovat – při jejich ručním zadávání totiž může chyba vzniknout velmi lehce. „Stačí u klienta, který je ve skutečnosti dítě, špatně zadat rok narození a v databázi z něj máte osmdesátiletého člověka,“ říká Jiří s úsměvem. V podobných případech mohou pomoct i velmi jednoduché kontroly. Stačí například zobrazení nejnižších a nejvyšších hodnot nebo nastavení hranic, za kterými už má systém zpozornět.
Hledáme další nové talenty!
Správný nástroj ve správnou chvíli
Když je cíl jasný a data zkontrolovaná, přichází na řadu volba správného nástroje. Ten by měl odpovídat především tomu, k čemu mají data nakonec sloužit. Menší firma si tak může zcela vystačit s Excelem, ve kterém se dá řada úloh pomocí maker automatizovat. Sám Jiří uvádí příklad ze života: „Moje manželka dělá účetní pro menší firmu, kde potřebovali evidovat stav zásob. Připravil jsem jim v Excelu jednoduchou aplikaci s pár tlačítky, která na pozadí dělají potřebné výpočty, takže ji zvládne používat i laik.“
Pokud jsou data uložená v databázi, ke slovu přichází třeba SQL – dotazovací jazyk, který umí potřebné informace vyhledávat, filtrovat, propojovat i různě zpracovávat. „SQL je strašně mocný nástroj. Když máte databázi a znáte její strukturu, můžete si z ní vytáhnout prakticky cokoliv,“ vysvětluje Jiří. Konkrétní databáze i nástroje, přes které se k nim přistupuje, se sice mohou lišit, základní principy SQL ale zůstávají stejné. „Ve Spořitelně pracujeme s různými relačními databázemi, ale do budoucna chceme zachovat jen cloudové Databricks,“ přibližuje.
V rukou AI
Jak Jiří také připomíná, řadu rutinních kroků při práci s daty dnes může výrazně urychlit umělá inteligence. Hodí se třeba při běžných kontrolách, hledání nesrovnalostí, úpravách dat nebo zmiňované tvorbě vizualizací. „Není přitom nutné hledat jedno speciální řešení, s daty dnes umějí pracovat v podstatě všechny veřejně dostupné AI nástroje.“ S jejich využitím se ale pojí i otázka bezpečnosti, zvlášť pokud firma pracuje s citlivými informacemi. „Vzít klientská data a nahrát je do veřejné AI by byl velký problém,“ upozorňuje. V bance proto pro práci s nimi využívají vlastní zabezpečené prostředí.
Na závěr pak Jiří zmiňuje pravidlo, které je pro práci s AI asi nejdůležitější: samotné přemýšlení by za člověka nikdy převzít neměla. „Když například při programování neznám nějakou funkci, nechám si od AI poradit, co použít a jak to funguje. Neřeknu jí ale: Napiš mi celou aplikaci. Vznikla by pro mě černá skříňka a já bych nevěděl, co se děje na pozadí. Radím tedy se AI doptávat, ale nedělat z ní autonomní stroj.“
